Технология оптимизации фонда скважин системы поддержания пластового давления на основе гибридного моделирования

Приведен сравнительный анализ современных численных алгоритмов гибридной оптимизации применительно к решению задачи повышения эффективности системы поддержания пластового давления (ППД) на разрабатываемом месторождении. При помощи анализируемых оптимизационных алгоритмов на основе гидродинамической модели месторождения многовариантными итерационными расчетами проводится поиск оптимальной стратегии заводнения (оптимальное сочетание режимов работы скважин системы ППД), которая максимизирует экономику разрабатываемого месторождения, выраженную величиной чистого дисконтированного дохода NPV. Сравнение гибридных оптимизационных алгоритмов было проведено на основе решения задачи по оптимизации системы ППД для реально существующего месторождения на поздней стадии разработки с действующим фондом более 100 скважин. Кроме того, данные оптимизационные алгоритмы сравнивались с алгоритмами, в которых не используется гибридное моделирование. Сопоставление оптимизационных алгоритмов проводилось при решении задачи оптимизации фонда ППД на основе гидродинамической модели. Исследовалось улучшение целевой функции NPV по отношению к числу проведенных расчетов на гидродинамической модели. В результате проанализирована эффективность гибридных подходов применительно к конкретной задаче оптимизации, а также получен набор рекомендаций по выбору наиболее эффективного алгоритма в зависимости от доступного проектного времени.

1. Waterflood management using two-stage optimization with streamline simulation / W. Tailai, R.T. Marco, D.T. Ciaurri [et al.] // Computers & Geosciences. – 2014. – V. 18. – № 3-4. – Р. 483–504.

2. Robust Waterflooding Optimization of Multiple Geological Scenarios / G.M. Van Essen, M.J. Zandvliet, P.M.J. Van den Hof [et al.] // SPE 102913–MS. – 2006.

3. Echeverrıa C.D., Mukerji T., Durlofsky L.J. Derivative free optimization for oil field operations / edited by X.S. Yang, S. Koziel // Computational Optimization and Applications in Engineering and Industry, Studies in Computational Intelligence, New York: Springer, 2011. – Р. 19–55.

4. Müller J., Shoemaker C.A., Piché R. SO–I: A Surrogate Model Algorithm for Expensive Nonlinear Integer Programming Problems Including Global Optimization Applications // Journal of Global Optimization. – 2014. – V. 59. – № 4. – Р. 865–889.

5. Regis R.G., Shoemaker C.A. A stochastic radial basis function method for the global optimization of expensive functions // INFORMS Journal on Computing. – 2007. – V. 19. – № 4. – Р. 497–509.

6. Costa A., Nannicini G. RBFOpt: an open-source library for black-box optimization with costly function evaluations // Mathematical Programming Computation. – 2018. – V. 10. – № 4. – Р. 597–629.

7. Mockus J. Bayesian approach to global optimization: theory and applications. – Springer Netherlands, 1989. – 270 p.

8. Dudley R.M. Real Analysis and Probability. – Cambridge: Cambridge University Press, 2004. – 555 p.

9. Information-Theoretic Regret Bounds for Gaussian Process Optimization in the Bandit Setting / N. Srinivas, A. Krause, Sh.M. Kakade, M.W. Seeger // IEEE Transactions on Information Theory. – 2012. – V. 58. № 5. – Р. 3250–3265.

10. Ho Tin Ka. Random Decision Forests // Proceedings of the 3rd International Conference on Document Analysis and Recognition, Montreal, QC, 14–16 August, 1995 // IEEE Computer Society Washington, DC, USA. – 1995. – V. 1. – P. 278.

11. Isebor O.J., Durlofsky L.J., Ciaurri D.E. A derivative-free methodology with local and global search for the constrained joint optimization of well locations and controls // Computational Geosciences. – 2014. – V. 18(3-4). – P. 463-482.

12. Kennedy J., Eberhart R.C. Particle swarm optimization // Proceedings of IEEE International Joint Conference on Neural Networks. – 1995. – P. 1942–1948.

13. Yaubatyrov R.R., Babin V.M., Akmadieva L.I. Grid Cluster in the Office: High–Performance Computing for Reservoir Management // SPE 191519-MS. – 2018.